.webp)
Kecerdasan buatan (artificial intelligence/AI) yang digunakan perusahaan untuk mengambil keputusan secara otomatis berisiko menghasilkan keputusan keliru jika mengandalkan data yang sudah kedaluwarsa atau saling bertentangan. Persoalan ini menjadi tantangan baru seiring meningkatnya penggunaan AI agentik dalam operasional bisnis.
Perusahaan teknologi Confluent menilai infrastruktur data yang selama ini digunakan perusahaan belum sepenuhnya mampu memenuhi kebutuhan AI yang harus bekerja berdasarkan kondisi bisnis terkini. Untuk mengatasi persoalan tersebut, Confluent memperkenalkan arsitektur data baru bernama Streamhouse.
Arsitektur ini dirancang untuk menangkap, memproses, mengelola, hingga menyajikan data bisnis secara berkelanjutan dan real-time. Dengan demikian, agen AI, aplikasi, maupun sistem analitik dapat mengakses informasi yang lebih mutakhir sebelum mengambil keputusan atau menjalankan tindakan.
SCROLL TO CONTINUE WITH CONTENT
Senior Vice President sekaligus General Manager APAC Confluent, Greg Taylor, mengatakan perusahaan membutuhkan landasan data yang terus diperbarui agar AI dapat mengambil keputusan berdasarkan gambaran kondisi bisnis yang akurat.
"Seorang agen hanya dapat mengambil keputusan yang bermanfaat jika ia dapat melihat gambaran yang akurat di seluruh organisasi saat bertindak. Streamhouse memberikan tim landasan yang terus diperbarui dan terkelola untuk konteks tersebut, sehingga aplikasi dan agen dapat bekerja berdasarkan gambaran terkini yang sama," kata Greg.
Confluent memberikan ilustrasi penerapan teknologi ini melalui operasional maskapai penerbangan. Dalam sistem konvensional, informasi mengenai lokasi pesawat, jadwal keberangkatan, dan ketersediaan kursi biasanya dikelola oleh sistem yang berbeda.
Ketika terjadi perubahan jadwal penerbangan, pembaruan informasi di masing-masing sistem belum tentu berlangsung bersamaan. Akibatnya, agen AI yang membantu pemesanan tiket bisa saja menawarkan rencana perjalanan berdasarkan informasi yang tampak benar di satu sistem, tetapi tidak memungkinkan untuk dijalankan karena kondisi di sistem lainnya sudah berubah.
Melalui Streamhouse, perubahan informasi dari berbagai sistem tersebut dapat dikumpulkan dalam aliran data berkelanjutan. Ketika lokasi pesawat berubah, jadwal keberangkatan tertunda, atau kursi dipesan, pembaruan tersebut dapat menjadi bagian dari konteks bisnis terkini yang dapat diakses agen AI dan aplikasi lainnya.
Dengan pendekatan ini, agen pemesanan dapat memeriksa kondisi penerbangan dan ketersediaan kursi secara bersamaan sebelum menawarkan alternatif perjalanan kepada penumpang.
Untuk mendukung arsitektur Streamhouse, Confluent juga memperluas kemampuan Platform Data Streaming (DSP) dengan menghadirkan fitur Query sebagai pilar kelima. Sebelumnya, platform ini memiliki empat kemampuan utama, yakni Stream, Connect, Process, dan Govern.
Kelima kemampuan tersebut memiliki fungsi berbeda dalam pengelolaan data perusahaan.
- Stream: Menangkap dan mengalirkan peristiwa bisnis melalui Apache Kafka dan mesin Kora.
- Connect: Menghubungkan berbagai sistem perusahaan melalui lebih dari 150 konektor.
- Process: Menggabungkan dan memperkaya data menggunakan Apache Flink.
- Govern: Mengatur keamanan, kualitas, skema, dan akses data.
- Query: Menyediakan akses terhadap konteks bisnis terkini bagi aplikasi, agen AI, dan sistem analitik.
Salah satu fitur baru yang diperkenalkan adalah Lightning Tables, yang kini tersedia secara umum di AWS melalui Confluent Cloud.
Fitur ini memungkinkan perusahaan melakukan query terhadap data streaming dalam bentuk tabel tanpa harus menyalin data terlebih dahulu ke basis data terpisah. Data yang berasal dari Apache Kafka disajikan dalam bentuk tabel yang terus diperbarui mengikuti perubahan informasi.
Dalam pengujian internal Confluent, waktu sejak data baru dibuat hingga tersedia untuk disajikan sekitar 100 milidetik. Sementara itu, latensi query diklaim berada di kisaran 10-100 milidetik dengan kemampuan menangani lebih dari 1.000 query per detik.
Confluent menyebut pendekatan tersebut dapat mengurangi kebutuhan perusahaan membangun jalur pemindahan data, basis data, maupun cache terpisah untuk melayani aplikasi yang membutuhkan informasi terkini.
Selain Lightning Tables, kemampuan Query juga mencakup Confluent Tableflow untuk menyajikan data streaming ke data warehouse dan lakehouse, serta Real-Time Context Engine yang menyediakan konteks bisnis kepada agen AI melalui Model Context Protocol (MCP).
General Manager Confluent dan Data IBM, Shaun Clowes, mengatakan kemampuan AI perusahaan ke depan akan sangat bergantung pada seberapa akurat informasi yang dapat diakses saat agen melakukan tindakan.
"Era berikutnya dalam AI perusahaan akan dimenangkan oleh agen-agen yang mengetahui apa yang sedang terjadi dalam bisnis pada saat mereka bertindak," ujar Shaun.
Ia mencontohkan, ketersediaan konteks bisnis secara real-time dapat membantu perusahaan merespons indikasi penipuan lebih cepat, melayani pelanggan secara langsung, hingga menjalankan operasional berdasarkan kondisi terkini.
Arsitektur Streamhouse yang didukung Confluent juga mulai digunakan oleh perusahaan global, salah satunya Accenture. Kepala Strategi Data SAI Accenture, Thomas Mahaffey, mengatakan perusahaan sebelumnya menghadapi kendala akibat penggunaan arsitektur batch dan point-to-point yang membuat proses pengolahan data berulang serta memperlambat penyediaan informasi untuk analitik.
Setelah beralih ke arsitektur Streamhouse, Accenture menghubungkan aliran data dari berbagai sistem operasional dan analitik menjadi produk data real-time yang dapat digunakan kembali.
Disebutkan Thomas, perubahan tersebut memangkas waktu yang dibutuhkan untuk memperoleh wawasan dari berbulan-bulan menjadi beberapa hari, sekaligus mempercepat proses pelaporan.
